Immagini container personalizzate di Dataproc su GKE

Puoi specificare un'immagine container personalizzata da utilizzare con Dataproc su GKE . L'immagine del container personalizzato deve utilizzare una delle immagini Spark di base di Dataproc su GKE.

Utilizza un'immagine container personalizzata

Per utilizzare un'immagine container personalizzata di Dataproc su GKE, imposta spark.kubernetes.container.image property quando crei un cluster virtuale Dataproc su GKE o invii un job Spark al cluster.

  • Esempio di creazione del cluster gcloud CLI: 
    gcloud dataproc clusters gke create "${DP_CLUSTER}" \
    --properties=spark:spark.kubernetes.container.image=custom-image \
    ... other args ...
  • Esempio di invio job gcloud CLI: 
    gcloud dataproc jobs submit spark \
    --properties=spark.kubernetes.container.image=custom-image \
    ... other args ...

Requisiti e impostazioni delle immagini container personalizzate

Immagini di base

Puoi utilizzare gli strumenti docker per creare Docker personalizzati in base a una delle immagini Spark di base di Dataproc su GKE pubblicate.

Utente contenitore

Dataproc su GKE esegue i container Spark come utente spark di Linux con un UID 1099 e un GID 1099. Utilizza UID e GID per le autorizzazioni del file system. Ad esempio, se aggiungi un file jar all'indirizzo /opt/spark/jars/my-lib.jar dell'immagine come dipendenza del carico di lavoro, devi concedere all'utente spark l'autorizzazione di lettura per il file.

Componenti

  • Java: la variabile di ambiente JAVA_HOME rimanda alla località dell'installazione Java. Il valore predefinito corrente è /usr/lib/jvm/adoptopenjdk-8-hotspot-amd64 e è soggetto a modifiche (per informazioni aggiornate, consulta le note di rilascio di Dataproc).

    • Se personalizzi l'ambiente Java, assicurati che JAVA_HOME sia impostato sulla posizione corretta e che PATH includa il percorso dei programmi binari.

  • Python: Miniconda3 è installato su /opt/conda per le immagini Spark base di Dataproc su GKE. CONDA_HOME indirizza a questa località, ${CONDA_HOME}/bin è incluso in PATH e PYSPARK_PYTHON è impostato su ${CONDA_HOME}/python.

    • Se personalizzi Conda, assicurati che CONDA_HOME punti alla home directory di Conda, che ${CONDA_HOME}/bin sia incluso in PATH e che PYSPARK_PYTHON sia impostato su ${CONDA_HOME}/python.

    • Puoi installare, rimuovere e aggiornare i pacchetti nell'ambiente di base predefinito oppure creare un nuovo ambiente, ma è vivamente consigliato che l'ambiente includa tutti i pacchetti installati nell'ambiente di base dell'immagine container di base.

    • Se aggiungi moduli Python, ad esempio uno script Python con funzioni di utilità, all'immagine container, includi le directory del modulo in PYTHONPATH.

  • Spark: Spark è installato in /usr/lib/spark e SPARK_HOME rimanda a questa posizione. Spark non può essere personalizzato. Se viene modificata, l'immagine container viene rifiutata o non funziona correttamente.

    • Job: puoi personalizzare le dipendenze dei job Spark. SPARK_EXTRA_CLASSPATH definisce il percorso della classe aggiuntivo per i processi JVM Spark. Consiglio: inserisci i jar in /opt/spark/jars e imposta SPARK_EXTRA_CLASSPATH su /opt/spark/jars/*.

      Se incorpori il jar del job nell'immagine, la directory consigliata è /opt/spark/job. Quando invii il job, puoi farvi riferimento con un percorso locale, ad esempio file:///opt/spark/job/my-spark-job.jar.

    • Connettore Cloud Storage: il connettore Cloud Storage è installato in /usr/lib/spark/jars.

    • Utilità: i pacchetti di utilità procps e tini sono necessari per eseguire Spark. Queste utilità sono incluse nelle immagini Spark di base, pertanto non è necessario reinstallare le immagini personalizzate.

    • punto di ingresso: Dataproc su GKE ignora eventuali modifiche apportate alle primitive ENTRYPOINT e CMD nell'immagine container.

    • Script di inizializzazione:puoi aggiungere uno script di inizializzazione facoltativo all'indirizzo /opt/init-script.sh. Uno script di inizializzazione può scaricare file da Cloud Storage, avviare un proxy all'interno del container, chiamare altri script ed eseguire altre attività di avvio.

      Lo script del punto di ingresso chiama lo script di inizializzazione con tutti gli argomenti della riga di comando ($@) prima di avviare il driver Spark, l'esecutore Spark e altri processi. Lo script di inizializzazione può selezionare il tipo di processo Spark in base al primo argomento ($1): i valori possibili includono spark-submit per i container dei driver e executor per i container esecutore.

  • Configurazioni:le configurazioni Spark si trovano in /etc/spark/conf. La variabile di ambiente SPARK_CONF_DIR rimanda a questa posizione.

    Non personalizzare le configurazioni Spark nell'immagine container. Invia invece eventuali proprietà tramite l'API Dataproc sull'API GKE per i seguenti motivi:

    • Alcune proprietà, come le dimensioni della memoria dell'esecutore, vengono determinate in fase di runtime, non in fase di creazione delle immagini container. Devono essere inserite da Dataproc su GKE.
    • Dataproc su GKE pone limitazioni sulle proprietà fornite dagli utenti. Dataproc on GKE monta le configurazioni da configMap in /etc/spark/conf nel container, sostituendo le impostazioni incorporate nell'immagine.

Immagini Spark di base

Dataproc supporta le seguenti immagini container Spark di base:

  • Spark 2.4: ${REGION}-docker.pkg.dev/cloud-dataproc/spark/dataproc_1.5
  • Spark 3.1: ${REGION}-docker.pkg.dev/cloud-dataproc/spark/dataproc_2.0

Esempio di build dell'immagine container personalizzata

Dockerfile di esempio

FROM us-central1-docker.pkg.dev/cloud-dataproc/spark/dataproc_2.0:latest

# Change to root temporarily so that it has permissions to create dirs and copy
# files.
USER root

# Add a BigQuery connector jar.
ENV SPARK_EXTRA_JARS_DIR=/opt/spark/jars/
ENV SPARK_EXTRA_CLASSPATH='/opt/spark/jars/*'
RUN mkdir -p "${SPARK_EXTRA_JARS_DIR}" \
    && chown spark:spark "${SPARK_EXTRA_JARS_DIR}"
COPY --chown=spark:spark \
    spark-bigquery-with-dependencies_2.12-0.22.2.jar "${SPARK_EXTRA_JARS_DIR}"

# Install Cloud Storage client Conda package.
RUN "${CONDA_HOME}/bin/conda" install google-cloud-storage

# Add a custom Python file.
ENV PYTHONPATH=/opt/python/packages
RUN mkdir -p "${PYTHONPATH}"
COPY test_util.py "${PYTHONPATH}"

# Add an init script.
COPY --chown=spark:spark init-script.sh /opt/init-script.sh

# (Optional) Set user back to `spark`.
USER spark

Crea l'immagine container

Esegui i comandi seguenti nella directory Dockerfile

  1. Imposta l'immagine (esempio: us-central1-docker.pkg.dev/my-project/spark/spark-test-image:latest) e passa alla directory della build. 
    IMAGE=custom container image \
    BUILD_DIR=$(mktemp -d) \
    cd "${BUILD_DIR}"

  2. Scarica il connettore BigQuery. 

    gsutil cp \
    gs://spark-lib/bigquery/spark-bigquery-with-dependencies_2.12-0.22.2.jar .

  3. Creare un file di esempio Python. 

    cat >test_util.py <<'EOF'
def hello(name):
  print("hello {}".format(name))
    
def read_lines(path):
  with open(path) as f:
    return f.readlines()
EOF

  4. Crea uno script di inizializzazione di esempio. 

    cat >init-script.sh <<EOF
echo "hello world" >/tmp/init-script.out
EOF

  5. Crea ed esegui il push dell'immagine. 

    docker build -t "${IMAGE}" . && docker push "${IMAGE}"